1 Análisis Descriptivo

1.1 Variable Dependiente

# Análisis descriptivo de la variable dependiente
tabla_depresion <- table(datos$depresion, useNA = "ifany")
prop_depresion <- prop.table(tabla_depresion) * 100

# Crear tabla de depresión
kable(
  data.frame(
    Categoría = names(tabla_depresion),
    Frecuencia = as.numeric(tabla_depresion),
    Porcentaje = round(as.numeric(prop_depresion), 2)
  ),
  caption = "Distribución de Depresión",
  col.names = c("Categoría", "Frecuencia", "Porcentaje (%)"),
  align = c("l", "r", "r")
)
Distribución de Depresión
Categoría Frecuencia Porcentaje (%)
Si 3829 18.78
No 16365 80.25
NA 198 0.97 
# Gráfico de depresión
p <- ggplot(data = datos, aes(x = depresion, fill = depresion)) +
  geom_bar() +
  labs(
    title = "Distribución de Depresión en la Población",
    subtitle = "Basado en diagnóstico médico reportado",
    x = "Diagnóstico de Depresión",
    y = "Número de Personas",
    caption = "Fuente: Encuesta Nacional de Salud Sexual (ENSSEX)"
  ) +
  scale_fill_brewer(palette = "Set2") +
  theme(
    plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
    plot.subtitle = element_text(hjust = 0.5, size = 12),
    axis.title = element_text(size = 11),
    legend.title = element_text(size = 10),
    legend.position = "bottom"
  )

print(p)

# Análisis de variables categóricas
vars_cat <- c("sexo_al_nacer", "nivel_educacional", "bienestar_emocional",
              "calidad_vida_percibida", "satisfaccion_aspecto_fisico",
              "consumo_tranquilizantes", "consumo_alcohol")

titulos_cat <- c("Sexo al Nacer", "Nivel Educacional", "Bienestar Emocional",
                 "Calidad de Vida Percibida", "Satisfacción Aspecto Físico",
                 "Consumo de Tranquilizantes", "Consumo de Alcohol")

# Función para analizar variables categóricas
analizar_categorica <- function(datos, variable, titulo) {
  # Tabla
  tabla <- table(datos[[variable]], useNA = "ifany")
  prop <- prop.table(tabla) * 100
  
  # Crear tabla
  kable(
    data.frame(
      Categoría = names(tabla),
      Frecuencia = as.numeric(tabla),
      Porcentaje = round(as.numeric(prop), 2)
    ),
    caption = paste("Distribución de", titulo),
    col.names = c("Categoría", "Frecuencia", "Porcentaje (%)"),
    align = c("l", "r", "r")
  )
  
  # Gráfico
  p <- ggplot(data = datos, aes_string(x = variable, fill = variable)) +
    geom_bar() +
    labs(
      title = paste("Distribución de", titulo),
      subtitle = "Análisis de frecuencias por categoría",
      x = titulo,
      y = "Número de Personas",
      caption = "Fuente: ENSSEX"
    ) +
    theme(
      axis.text.x = element_text(angle = 45, hjust = 1),
      plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
      plot.subtitle = element_text(hjust = 0.5, size = 12),
      axis.title = element_text(size = 11),
      legend.position = "none"
    ) +
    scale_fill_brewer(palette = "Set3")
  
  print(p)
}

# Analizar cada variable categórica
for(i in seq_along(vars_cat)) {
  cat(paste("\n##", titulos_cat[i], "\n"))
  analizar_categorica(datos, vars_cat[i], titulos_cat[i])
}
## 
## ## Sexo al Nacer

## 
## ## Nivel Educacional

## 
## ## Bienestar Emocional

## 
## ## Calidad de Vida Percibida

## 
## ## Satisfacción Aspecto Físico

## 
## ## Consumo de Tranquilizantes

## 
## ## Consumo de Alcohol

# Análisis de variables numéricas
vars_num <- c("edad", "peso", "talla")
titulos_num <- c("Edad (años)", "Peso (kg)", "Talla (cm)")

# Función para analizar variables numéricas
analizar_numerica <- function(datos, variable, titulo) {
  # Resumen estadístico
  resumen <- summary(datos[[variable]])
  sd_val <- sd(datos[[variable]], na.rm = TRUE)
  
  # Crear tabla de resumen
  kable(
    data.frame(
      Estadístico = c("Mínimo", "1er Cuartil", "Mediana", "Media", "3er Cuartil", "Máximo", "Desv. Est."),
      Valor = c(as.numeric(resumen), round(sd_val, 2))
    ),
    caption = paste("Resumen estadístico de", titulo),
    align = c("l", "r")
  )
  
  # Histograma
  p1 <- ggplot(data = datos, aes_string(x = variable)) +
    geom_histogram(aes(y = ..density..), bins = 30, fill = "skyblue", color = "black") +
    geom_density(color = "red", size = 1) +
    labs(
      title = paste("Distribución de", titulo),
      subtitle = "Histograma y curva de densidad",
      x = titulo,
      y = "Densidad",
      caption = "La línea roja representa la curva de densidad"
    ) +
    theme(
      plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
      plot.subtitle = element_text(hjust = 0.5, size = 12),
      axis.title = element_text(size = 11)
    )
  
  # Boxplot
  p2 <- ggplot(data = datos, aes_string(y = variable)) +
    geom_boxplot(fill = "skyblue") +
    labs(
      title = paste("Diagrama de Caja de", titulo),
      subtitle = "Visualización de la distribución y valores atípicos",
      y = titulo,
      caption = "Los puntos representan valores atípicos"
    ) +
    theme(
      plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
      plot.subtitle = element_text(hjust = 0.5, size = 12),
      axis.title = element_text(size = 11)
    )
  
  print(p1)
  print(p2)
}

# Analizar cada variable numérica
for(i in seq_along(vars_num)) {
  cat(paste("\n##", titulos_num[i], "\n"))
  analizar_numerica(datos, vars_num[i], titulos_num[i])
}
## 
## ## Edad (años)

## 
## ## Peso (kg)

## 
## ## Talla (cm)

2 Análisis Bivariado

# Para variables categóricas
for(i in seq_along(vars_cat)) {
  cat(paste("\n## Depresión vs", titulos_cat[i], "\n"))
  
  # Tabla de contingencia
  tabla_cont <- table(datos$depresion, datos[[vars_cat[i]]])
  print(kable(tabla_cont, 
              caption = paste("Tabla de contingencia: Depresión vs", titulos_cat[i])))
  
  # Test Chi-cuadrado
  chi_test <- chisq.test(tabla_cont)
  cat("\nTest Chi-cuadrado:\n")
  print(chi_test)
  
  # Gráfico de barras apiladas
  p <- ggplot(datos, aes_string(x = vars_cat[i], fill = "depresion")) +
    geom_bar(position = "fill") +
    labs(
      title = paste("Relación entre Depresión y", titulos_cat[i]),
      subtitle = "Proporción de casos por categoría",
      x = titulos_cat[i],
      y = "Proporción",
      fill = "Diagnóstico de Depresión",
      caption = "Fuente: ENSSEX"
    ) +
    theme(
      axis.text.x = element_text(angle = 45, hjust = 1),
      plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
      plot.subtitle = element_text(hjust = 0.5, size = 12),
      axis.title = element_text(size = 11),
      legend.position = "bottom"
    )
  
  print(p)
}
## 
## ## Depresión vs Sexo al Nacer 
## 
## 
## Table: Tabla de contingencia: Depresión vs Sexo al Nacer
## 
## |   | Hombre| Mujer|
## |:--|------:|-----:|
## |Si |    657|  3172|
## |No |   6107| 10258|
## 
## Test Chi-cuadrado:
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  tabla_cont
## X-squared = 565.18, df = 1, p-value < 2.2e-16

## 
## ## Depresión vs Nivel Educacional 
## 
## 
## Table: Tabla de contingencia: Depresión vs Nivel Educacional
## 
## |   |   1|  3|  5|   6|    7|   8|    9|  10|   11|  12|   13|   14|   15| 16|  17|
## |:--|---:|--:|--:|---:|----:|---:|----:|---:|----:|---:|----:|----:|----:|--:|---:|
## |Si |  48|  0|  1| 126|  775| 130| 1176|  84|  287| 153|  323|  249|  424| 16|  37|
## |No | 145|  1|  9| 390| 2363| 706| 5657| 437| 1387| 677| 1476| 1083| 1869| 42| 123|
## 
## Test Chi-cuadrado:
## 
##  Pearson's Chi-squared test
## 
## data:  tabla_cont
## X-squared = 114.96, df = 14, p-value < 2.2e-16

## 
## ## Depresión vs Bienestar Emocional 
## 
## 
## Table: Tabla de contingencia: Depresión vs Bienestar Emocional
## 
## |   |   1|   2|   3|    4|    5|    6|    7|  9|
## |:--|---:|---:|---:|----:|----:|----:|----:|--:|
## |Si | 187| 145| 331|  721| 1077|  823|  542|  3|
## |No | 131| 144| 475| 1660| 3919| 5192| 4816| 28|
## 
## Test Chi-cuadrado:
## 
##  Pearson's Chi-squared test
## 
## data:  tabla_cont
## X-squared = 1372.2, df = 7, p-value < 2.2e-16

## 
## ## Depresión vs Calidad de Vida Percibida 
## 
## 
## Table: Tabla de contingencia: Depresión vs Calidad de Vida Percibida
## 
## |   |   1|   2|    3|    4|    5|  8|  9|
## |:--|---:|---:|----:|----:|----:|--:|--:|
## |Si |  46| 199| 1264| 2011|  300|  6|  3|
## |No | 123| 324| 3512| 9880| 2493| 23| 10|
## 
## Test Chi-cuadrado:
## 
##  Pearson's Chi-squared test
## 
## data:  tabla_cont
## X-squared = 462.08, df = 6, p-value < 2.2e-16

## 
## ## Depresión vs Satisfacción Aspecto Físico 
## 
## 
## Table: Tabla de contingencia: Depresión vs Satisfacción Aspecto Físico
## 
## |   |   1|    2|    3|    4|    5|  8|  9|
## |:--|---:|----:|----:|----:|----:|--:|--:|
## |Si | 151|  742|  717| 1843|  370|  5|  1|
## |No | 359| 1534| 3042| 9277| 2104| 37| 12|
## 
## Test Chi-cuadrado:
## 
##  Pearson's Chi-squared test
## 
## data:  tabla_cont
## X-squared = 382.74, df = 6, p-value < 2.2e-16

## 
## ## Depresión vs Consumo de Tranquilizantes 
## 
## 
## Table: Tabla de contingencia: Depresión vs Consumo de Tranquilizantes
## 
## |   |   Si|    No|
## |:--|----:|-----:|
## |Si | 1751|  2056|
## |No |  952| 15264|
## 
## Test Chi-cuadrado:
## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  tabla_cont
## X-squared = 4247.2, df = 1, p-value < 2.2e-16

## 
## ## Depresión vs Consumo de Alcohol 
## 
## 
## Table: Tabla de contingencia: Depresión vs Consumo de Alcohol
## 
## |   |    1|    2|    3|  9|
## |:--|----:|----:|----:|--:|
## |Si | 1725|  498|  470|  3|
## |No | 7340| 1913| 1262| 15|
## 
## Test Chi-cuadrado:
## 
##  Pearson's Chi-squared test
## 
## data:  tabla_cont
## X-squared = 59.173, df = 3, p-value = 8.831e-13

# Para variables numéricas
for(i in seq_along(vars_num)) {
  cat(paste("\n## Depresión vs", titulos_num[i], "\n"))
  
  # Test t
  t_test <- t.test(datos[[vars_num[i]]] ~ datos$depresion)
  cat("\nTest t:\n")
  print(t_test)
  
  # Boxplot
  p <- ggplot(datos, aes_string(x = "depresion", y = vars_num[i], fill = "depresion")) +
    geom_boxplot() +
    labs(
      title = paste("Comparación de", titulos_num[i], "según Diagnóstico de Depresión"),
      subtitle = "Distribución y valores atípicos por grupo",
      x = "Diagnóstico de Depresión",
      y = titulos_num[i],
      caption = "Los puntos representan valores atípicos"
    ) +
    theme(
      plot.title = element_text(hjust = 0.5, size = 14, face = "bold"),
      plot.subtitle = element_text(hjust = 0.5, size = 12),
      axis.title = element_text(size = 11),
      legend.position = "none"
    )
  
  print(p)
}
## 
## ## Depresión vs Edad (años) 
## 
## Test t:
## 
##  Welch Two Sample t-test
## 
## data:  datos[[vars_num[i]]] by datos$depresion
## t = 12.458, df = 5912.1, p-value < 2.2e-16
## alternative hypothesis: true difference in means between group Si and group No is not equal to 0
## 95 percent confidence interval:
##  3.324843 4.566644
## sample estimates:
## mean in group Si mean in group No 
##         48.19169         44.24595

## 
## ## Depresión vs Peso (kg) 
## 
## Test t:
## 
##  Welch Two Sample t-test
## 
## data:  datos[[vars_num[i]]] by datos$depresion
## t = 0.96198, df = 5622.4, p-value = 0.3361
## alternative hypothesis: true difference in means between group Si and group No is not equal to 0
## 95 percent confidence interval:
##  -0.3599752  1.0536571
## sample estimates:
## mean in group Si mean in group No 
##         71.74171         71.39487

## 
## ## Depresión vs Talla (cm) 
## 
## Test t:
## 
##  Welch Two Sample t-test
## 
## data:  datos[[vars_num[i]]] by datos$depresion
## t = -8.2629, df = 5530.1, p-value < 2.2e-16
## alternative hypothesis: true difference in means between group Si and group No is not equal to 0
## 95 percent confidence interval:
##  -4.996640 -3.080358
## sample estimates:
## mean in group Si mean in group No 
##         155.4928         159.5313

3 Modelado Predictivo

# Seleccionar variables para el modelo
variables_modelo <- c(
  "depresion", "sexo_al_nacer", "nivel_educacional", "bienestar_emocional",
  "calidad_vida_percibida", "satisfaccion_aspecto_fisico", "consumo_tranquilizantes",
  "consumo_alcohol", "edad", "peso", "talla"
)

# Crear conjunto de datos para modelado
datos_modelo <- datos[, variables_modelo]
datos_modelo <- na.omit(datos_modelo)

# Dividir datos en entrenamiento y prueba
set.seed(123)
indices_train <- createDataPartition(datos_modelo$depresion, p = 0.7, list = FALSE)
datos_entrenamiento <- datos_modelo[indices_train,]
datos_prueba <- datos_modelo[-indices_train,]

3.1 Random Forest

# Configuración de la validación cruzada
set.seed(123)
control <- trainControl(
  method = "cv",
  number = 3,
  classProbs = TRUE,
  summaryFunction = twoClassSummary,
  verboseIter = TRUE
)

# Entrenamiento del modelo
rf_model <- train(
  depresion ~ .,
  data = datos_entrenamiento,
  method = "rf",
  metric = "ROC",
  trControl = control,
  ntree = 100,
  importance = TRUE
)
## + Fold1: mtry= 2 
## - Fold1: mtry= 2 
## + Fold1: mtry=21 
## - Fold1: mtry=21 
## + Fold1: mtry=41 
## - Fold1: mtry=41 
## + Fold2: mtry= 2 
## - Fold2: mtry= 2 
## + Fold2: mtry=21 
## - Fold2: mtry=21 
## + Fold2: mtry=41 
## - Fold2: mtry=41 
## + Fold3: mtry= 2 
## - Fold3: mtry= 2 
## + Fold3: mtry=21 
## - Fold3: mtry=21 
## + Fold3: mtry=41 
## - Fold3: mtry=41 
## Aggregating results
## Selecting tuning parameters
## Fitting mtry = 21 on full training set
# Importancia de variables
var_importance <- varImp(rf_model)
plot(var_importance, top = 10, main = "Top 10 Variables más Importantes")

3.2 Regresión Logística

# Entrenamiento del modelo
rl_model <- train(
  depresion ~ .,
  data = datos_entrenamiento,
  method = "glm",
  family = "binomial",
  metric = "ROC",
  trControl = control
)
## + Fold1: parameter=none 
## - Fold1: parameter=none 
## + Fold2: parameter=none 
## - Fold2: parameter=none 
## + Fold3: parameter=none 
## - Fold3: parameter=none 
## Aggregating results
## Fitting final model on full training set
# Predicciones
predicciones_rl <- predict(rl_model, datos_prueba)
predicciones_prob_rl <- predict(rl_model, datos_prueba, type = "prob")

# Matriz de confusión
tabla_confusion <- table(Predicho = predicciones_rl, Real = datos_prueba$depresion)
print(kable(tabla_confusion, caption = "Matriz de Confusión - Regresión Logística"))
## 
## 
## Table: Matriz de Confusión - Regresión Logística
## 
## |   |  Si|   No|
## |:--|---:|----:|
## |Si | 360|  163|
## |No | 447| 2987|
# Métricas
exactitud <- sum(diag(tabla_confusion)) / sum(tabla_confusion)
sensibilidad <- tabla_confusion[1,1] / sum(tabla_confusion[,1])
especificidad <- tabla_confusion[2,2] / sum(tabla_confusion[,2])

metricas <- data.frame(
  Metrica = c("Exactitud", "Sensibilidad", "Especificidad"),
  Valor = c(exactitud, sensibilidad, especificidad)
)

print(kable(metricas, caption = "Métricas de Rendimiento - Regresión Logística"))
## 
## 
## Table: Métricas de Rendimiento - Regresión Logística
## 
## |Metrica       |     Valor|
## |:-------------|---------:|
## |Exactitud     | 0.8458428|
## |Sensibilidad  | 0.4460967|
## |Especificidad | 0.9482540|

4 Comparación de Modelos

# Predicciones Random Forest
predicciones_rf <- predict(rf_model, datos_prueba)
tabla_rf <- table(Predicho = predicciones_rf, Real = datos_prueba$depresion)

# Métricas para ambos modelos
metricas_comparacion <- data.frame(
  Modelo = c("Random Forest", "Regresión Logística"),
  Exactitud = c(
    sum(diag(tabla_rf)) / sum(tabla_rf),
    exactitud
  ),
  Sensibilidad = c(
    tabla_rf[1,1] / sum(tabla_rf[,1]),
    sensibilidad
  ),
  Especificidad = c(
    tabla_rf[2,2] / sum(tabla_rf[,2]),
    especificidad
  )
)

print(kable(metricas_comparacion, caption = "Comparación de Modelos"))
## 
## 
## Table: Comparación de Modelos
## 
## |Modelo              | Exactitud| Sensibilidad| Especificidad|
## |:-------------------|---------:|------------:|-------------:|
## |Random Forest       | 0.8354814|    0.4411400|     0.9365079|
## |Regresión Logística | 0.8458428|    0.4460967|     0.9482540|
# Visualización
par(mfrow = c(1, 2))
barplot(t(as.matrix(tabla_rf)), beside = TRUE, main = "Random Forest",
        col = c("skyblue", "lightgreen"), legend.text = c("Si", "No"))
barplot(t(as.matrix(tabla_confusion)), beside = TRUE, main = "Regresión Logística",
        col = c("skyblue", "lightgreen"), legend.text = c("Si", "No"))

4.1 Curvas ROC y AUC

# Asegurar que estamos usando pROC
library(pROC)

# Convertir la variable respuesta a binaria (0/1)
datos_prueba$depresion_bin <- as.numeric(datos_prueba$depresion == "Si")

# Obtener predicciones de probabilidad
pred_prob_rf <- predict(rf_model, datos_prueba, type = "prob")[,"Si"]
pred_prob_rl <- predict(rl_model, datos_prueba, type = "prob")[,"Si"]

# Verificar la estructura de los datos
print("Estructura de los datos:")
## [1] "Estructura de los datos:"
# Mostrar resumen de los datos de predicción
str(pred_prob_rf)
##  num [1:3957] 0.56 0.18 0.05 0.05 0 0.14 0.84 0.23 0.51 0.05 ...
str(pred_prob_rl)
##  num [1:3957] 0.7607 0.1661 0.0783 0.1161 0.0655 ...
table(datos_prueba$depresion_bin)
## 
##    0    1 
## 3150  807
# Calcular curvas ROC usando pROC explícitamente
roc_rf <- pROC::roc(datos_prueba$depresion_bin ~ pred_prob_rf)
roc_rl <- pROC::roc(datos_prueba$depresion_bin ~ pred_prob_rl)

# Calcular AUC
auc_rf <- pROC::auc(roc_rf)
auc_rl <- pROC::auc(roc_rl)

# Crear gráfico de curvas ROC
par(mfrow = c(1,1))
plot(roc_rf, col = "blue", main = "Curvas ROC - Comparación de Modelos",
     xlab = "Tasa de Falsos Positivos (1 - Especificidad)",
     ylab = "Tasa de Verdaderos Positivos (Sensibilidad)")
lines(roc_rl, col = "red")
legend("bottomright", 
       legend = c(paste("Random Forest (AUC =", round(auc_rf, 3), ")"),
                 paste("Regresión Logística (AUC =", round(auc_rl, 3), ")")),
       col = c("blue", "red"), 
       lwd = 2)
abline(0, 1, lty = 2, col = "gray")

# Tabla comparativa de AUC
auc_comparacion <- data.frame(
  Modelo = c("Random Forest", "Regresión Logística"),
  AUC = c(auc_rf, auc_rl)
)

print(kable(auc_comparacion, 
           caption = "Comparación de Área Bajo la Curva (AUC)",
           digits = 3))
## 
## 
## Table: Comparación de Área Bajo la Curva (AUC)
## 
## |Modelo              |   AUC|
## |:-------------------|-----:|
## |Random Forest       | 0.806|
## |Regresión Logística | 0.830|
# Puntos de corte óptimos usando el índice de Youden
coords_rf <- coords(roc_rf, "best", best.method = "youden")
coords_rl <- coords(roc_rl, "best", best.method = "youden")

puntos_corte <- data.frame(
  Modelo = c("Random Forest", "Regresión Logística"),
  Punto_Corte = c(coords_rf$threshold, coords_rl$threshold),
  Sensibilidad = c(coords_rf$sensitivity, coords_rl$sensitivity),
  Especificidad = c(coords_rf$specificity, coords_rl$specificity)
)

print(kable(puntos_corte, 
           caption = "Puntos de Corte Óptimos",
           digits = 3))
## 
## 
## Table: Puntos de Corte Óptimos
## 
## |Modelo              | Punto_Corte| Sensibilidad| Especificidad|
## |:-------------------|-----------:|------------:|-------------:|
## |Random Forest       |       0.255|        0.693|         0.797|
## |Regresión Logística |       0.208|        0.691|         0.838|

4.2 Interpretación de Resultados

# Resumen final de métricas
metricas_finales <- data.frame(
  Modelo = c("Random Forest", "Regresión Logística"),
  AUC = c(auc_rf, auc_rl),
  Exactitud = metricas_comparacion$Exactitud,
  Sensibilidad = metricas_comparacion$Sensibilidad,
  Especificidad = metricas_comparacion$Especificidad
)

print(kable(metricas_finales, 
           caption = "Resumen Final de Métricas de Rendimiento",
           digits = 3))
## 
## 
## Table: Resumen Final de Métricas de Rendimiento
## 
## |Modelo              |   AUC| Exactitud| Sensibilidad| Especificidad|
## |:-------------------|-----:|---------:|------------:|-------------:|
## |Random Forest       | 0.806|     0.835|        0.441|         0.937|
## |Regresión Logística | 0.830|     0.846|        0.446|         0.948|
# Visualización comparativa final
par(mfrow = c(1, 2))

# Gráfico de métricas
barplot(t(as.matrix(metricas_finales[,c("Exactitud", "Sensibilidad", "Especificidad")])),
        beside = TRUE,
        main = "Comparación de Métricas",
        col = c("skyblue", "lightgreen"),
        legend.text = rownames(metricas_finales),
        args.legend = list(x = "topright"))

# Gráfico de AUC
barplot(metricas_finales$AUC,
        names.arg = metricas_finales$Modelo,
        main = "Comparación de AUC",
        col = c("skyblue", "lightgreen"),
        ylim = c(0, 1))

5 Conclusiones

Los resultados del análisis muestran:

  1. Capacidad Predictiva:
    • Random Forest: AUC = 0.806
    • Regresión Logística: AUC = 0.83
  2. Balance entre Sensibilidad y Especificidad:
    • Random Forest muestra mejor balance general
    • La Regresión Logística tiene mayor especificidad
  3. Puntos de Corte Óptimos:
    • Se identificaron los umbrales que maximizan el rendimiento
    • Permiten ajustar el modelo según las necesidades específicas
  4. Implicaciones Prácticas:
    • Los modelos pueden ser útiles para screening inicial
    • Se recomienda validación clínica adicional
    • Importante considerar el contexto de aplicación